特許ウォッチ

公開番号2025064996
公報種別公開特許公報(A)
公開日2025-04-17
出願番号2024163485
出願日2024-09-20
発明の名称視覚ベースのシステムのための生成的人工知能ベースの合成データ生成
出願人タタコンサルタンシーサービシズリミテッド,TATA Consultancy Services Limited
代理人個人,個人,個人,個人,個人,個人,個人
主分類G06V 10/774 20220101AFI20250410BHJP(計算;計数)
要約【課題】現実的なデータは、視覚ベースのシステムの訓練のための重要な要素である。従来のアプローチは、このようなデータを生成するために複雑な要件を必要とし、また非常に高価である。本開示は、異なる人工知能レンダリング、シナリオ生成、及び未来の映像予測に対するワンストップソリューションを提供する。
【解決手段】本開示は、生成的人工知能(GenAI)、深層学習、及び画像処理技術の融合のための規定を提供し、シミュレートされた、現実の又は通合された環境からデータを生成する可能性を探求する。さらに、本開示は、パノプティックセグメンテーションアプローチを利用してセマンティックラベルを作成し、連続するフレームからキューを取得するフローマップベースの方法論は、生成されるデータにおいて重要な問題である長時間の時間的コヒーレンスに対処するのに役立つ。これは、動的オブジェクト、場面変化、及び環境変異の様態に基づいて、合成データセットを生成する生成的AIネットワークへの入力となる。
【選択図】図2
特許請求の範囲【請求項１】
プロセッサ実装方法（３００）であって、
１又は複数のハードウェアプロセッサによって、ビデオに関連付けられた複数の未加工入力画像フレームと、前記複数の未加工入力画像フレームに挿入される複数の目標オブジェクトを受け取るステップ（３０２）であって、前記複数の未加工入力画像フレームは連続しており、前記複数の目標オブジェクトは、複数の静的オブジェクト及び複数の動的オブジェクトを含む、ステップ（３０２）と、
前記１又は複数のハードウェアプロセッサによって、フローマップベースの特徴抽出技法を使用して、前記複数の未加工入力画像フレームの各々に関連付けられたフロー埋め込みを計算するステップ（３０４）と、
前記１又は複数のハードウェアプロセッサによって、パノプティックセグメンテーション技法を用いて、前記複数の未加工入力画像フレームの各々に関連付けられた、パノプティックラベル埋め込み及びパノプティック画像埋め込みを計算するステップ（３０６）と、
前記１又は複数のハードウェアプロセッサによって、訓練されたｍｕｌｔｉＰａｎｏｐｔｉｃＧｅｏｇｒａｐｈｙＡｓｓｉｓｔｉｖｅＮｏｒｍａｌｉｚａｔｉｏｎ（ｍｕｌｔｉ－ＰＧＡＮ）ベースの画像生成器を用いて、前記複数の未加工入力画像フレームの各々に関連付けられた前記フロー埋め込み、前記パノプティックラベル埋め込み、及び前記パノプティック画像埋め込みに基づいて、複数の合成された一連の画像フレームを生成するステップ（３０８）と、
前記１又は複数のハードウェアプロセッサによって、挿入される前記複数の目標オブジェクトの各々に関連する複数の挿入パラメータを獲得するステップ（３１０）であって、前記複数の挿入パラメータは、初期位置、前記複数の目標オブジェクトの各々に関連する速度情報、追加されるランダム行動、及びオブジェクトを追加するフレーム数を含む、ステップと（３１０）、
前記１又は複数のハードウェアプロセッサによって、訓練されたＧｅｎＡＩベースの深層学習ネットワークを用いて、前記複数の目標オブジェクト、前記複数の合成された一連の画像フレーム、挿入される前記複数の目標オブジェクトの各々に関連する前記複数の挿入パラメータ、複数の背景、及び複数のスケーリングされた合成画像フレームに基づいて、複数の拡張画像フレームを生成することにより、複数の合成データセットを作成するステップ（３１２）と、
を含む、プロセッサ実装方法（３１０）。
続きを表示（約 4,300 文字）【請求項２】
フローマップベースの特徴抽出技法を用いて、前記複数の未加工入力画像フレームの各々に関連付けられた前記フロー埋め込みを抽出するステップは、
前記複数の未加工入力画像フレームから、第一の画像フレーム及び第二の画像フレームを受け取るステップ（４０２）であって、前記第一の画像フレーム及び前記第二の画像フレームは、連続する画像であるステップ（４０２）と、
前記パノプティックセグメンテーション技法を用いて、前記第一の画像フレーム及び前記第二の画像フレームに関連する複数のパノプティックセグメントを生成するステップ（４０４）と、
前記第一の画像フレーム及び前記第二の画像フレームに関連する前記複数のパノプティックセグメントの間の比較に基づいて、前記第一の画像フレーム及び前記第二の画像フレームから、複数の類似のインスタンスを識別するステップ（４０６）であって、類似のインスタンスが存在しない場合に、前記第二の画像フレームとの比較のために、前記第二の画像フレームに連続する画像フレームが識別され、前記比較は、前記複数の未加工入力画像フレームのうちの最後の画像フレームが比較されるまで繰り返される、ステップ（４０６）と、
前記第一の画像フレーム及び前記第二の画像フレームの間の前記複数の類似のインスタンスを融合することによって、前記第一の画像フレーム及び前記第二の画像フレームの間の前記フロー埋め込みを計算するステップ（４０８）と、
を含む、請求項１に記載の方法。
【請求項３】
前記複数の拡張画像は、Ｆｒ‘ｅｃｈｅｔＩｎｃｅｐｔｉｏｎＤｉｓｔａｎｃｅ（ＦＩＤ）、Ｋａｎａｄｅ－Ｌｕｃａｓ－Ｔｏｍａｓｉ（ＫＬＴ）スコア、及びパノプティックスコアを用いて評価される、請求項１に記載の方法。
【請求項４】
前記複数の目標オブジェクトの各々に関連する前記速度情報は、（ａ）増速値、（ｂ）減速値、及び（ｃ）定速値のいずれかである、請求項１に記載の方法。
【請求項５】
プログラムされた命令を格納する少なくとも１つのメモリ（１０４）、１又は複数の入力／出力（Ｉ／Ｏ）インターフェイス（１１２）、及び前記１又は複数のメモリに動作可能に結合された１又は複数のハードウェアプロセッサ（１０２）
を含むシステム（１００）であって、前記１又は複数のハードウェアプロセッサ（１０２）は、
ビデオに関連付けられた複数の未加工入力画像フレーム、及び前記複数の未加工入力画像フレームに挿入される複数の目標オブジェクトを受け取るステップであって、前記複数の未加工入力画像フレームは連続しており、前記複数の目標オブジェクトは、複数の静的オブジェクト及び複数の動的オブジェクトを含む、ステップと、
フローマップベースの特徴抽出技法を用いて、前記複数の未加工入力画像フレームに関連付けられたフロー埋め込みを計算するステップと、
パノプティックセグメンテーション技法を用いて、前記複数の未加工入力画像フレームの各々に関連付けられたパノプティックラベル埋め込み、及びパノプティック画像埋め込みを計算するステップと、
訓練されたｍｕｌｔｉＰａｎｏｐｔｉｃＧｅｏｇｒａｐｈｙＡｓｓｉｓｔｉｖｅＮｏｒｍａｌｉｚａｔｉｏｎ（ｍｕｌｔｉ－ＰＧＡＮ）ベースの画像生成器を用いて、前記複数の未加工入力画像フレームの各々に関連付けられた前記フロー埋め込み、前記パノプティックラベル埋め込み、及び前記パノプティック画像埋め込みに基づいて、複数の合成された一連の画像フレームを生成するステップと、
挿入される前記複数の目標オブジェクトに関連する複数の挿入パラメータを獲得するステップであって、前記複数の挿入パラメータは、初期位置、前記複数の目標オブジェクトの各々に関連する速度情報、追加されるランダム行動、及びオブジェクトに追加するフレーム数を含む、ステップと、
訓練されたＧｅｎＡＩベースの深層学習ネットワークを用いて、前記複数の目標オブジェクト、前記複数の合成された一連の画像フレーム、挿入される前記複数の目標オブジェクトの各々に関連する前記複数の挿入パラメータ、複数の背景、及び複数のスケーリングされた合成画像フレームに基づいて、複数の拡張画像フレームを生成することによって、合成データセットを作成するステップと、
を実行するようにプログラムされた命令によって構成される、システム。
【請求項６】
フローマップベースの特徴抽出器を用いて、前記複数の未加工入力画像フレームの各々に関連付けられた前記フロー埋め込みを抽出するステップは、
前記複数の未加工入力画像フレームから、第一の画像フレーム及び第二の画像フレームを受け取るステップであって、前記第一の画像フレーム及び前記第二の画像フレームは、連続する画像であるステップと、
前記パノプティックセグメンテーション技法を用いて、前記第一の画像フレーム及び前記第二の画像フレームに関連する複数のパノプティックセグメントを生成するステップと、
前記第一の画像フレーム及び前記第二の画像フレームに関連する前記複数のパノプティックセグメントの間の比較に基づいて、前記第一の画像フレーム及び前記第二の画像フレームから、複数の類似のインスタンスを識別するステップであって、類似のインスタンスが存在しない場合に、前記第二の画像フレームとの比較のために、前記第二の画像フレームに連続する画像フレームが識別され、前記比較は、前記複数の未加工入力画像フレームのうちの最後の画像フレームが比較されるまで繰り返されるステップと、
前記第一の画像フレーム及び前記第二の画像フレームの間の前記複数の類似のインスタンスを融合することによって、前記第一の画像フレーム及び前記第二の画像フレームの間の前記フロー埋め込みを計算するステップと、
を含む、請求項５に記載のシステム。
【請求項７】
前記複数の拡張画像は、Ｆｒ‘ｅｃｈｅｔＩｎｃｅｐｔｉｏｎＤｉｓｔａｎｃｅ（ＦＩＤ）、Ｋａｎａｄｅ－Ｌｕｃａｓ－Ｔｏｍａｓｉ（ＫＬＴ）スコア、及びパノプティックスコアを用いて評価される、請求項５に記載のシステム。
【請求項８】
前記複数の目標オブジェクトの各々に関連する前記速度情報は、（ａ）増速値、（ｂ）減速値、及び（ｃ）定速値のいずれかである、請求項５に記載のシステム。
【請求項９】
１又は複数の非一時的のマシン可読の情報記憶媒体であって、１又は複数のハードウェアプロセッサに実行されるときに、
ビデオに関連付けられた複数の未加工入力画像フレーム、及び前記複数の未加工入力画像フレームに挿入される複数の目標オブジェクトを受け取るステップであって、前記複数の未加工入力画像フレームは連続しており、前記複数の目標オブジェクトは、複数の静的オブジェクト及び動的オブジェクトを含む、ステップと、
フローマップベースの特徴抽出技法を用いて、前記複数の未加工入力画像フレームに関連付けられたフロー埋め込みを計算するステップと、
パノプティックセグメンテーション技法を用いて、前記複数の未加工入力画像フレームの各々に関連付けられたパノプティックラベル埋め込み、及びパノプティック画像埋め込みを計算するステップと、
訓練されたｍｕｌｔｉＰａｎｏｐｔｉｃＧｅｏｇｒａｐｈｙＡｓｓｉｓｔｉｖｅＮｏｒｍａｌｉｚａｔｉｏｎ（ｍｕｌｔｉ－ＰＧＡＮ）ベースの画像生成器を用いて、前記複数の未加工入力画像フレームの各々に関連付けられた前記フロー埋め込み、前記パノプティックラベル埋め込み、及び前記パノプティック画像埋め込みに基づいて、複数の合成された一連の画像フレームを生成するステップと、
挿入される前記複数の目標オブジェクトに関連する複数の挿入パラメータを獲得するステップであって、前記複数の挿入パラメータは、初期位置、前記複数の目標オブジェクトの各々に関連する速度情報、追加されるランダム行動、及びオブジェクトに追加するフレーム数を含む、ステップと、
訓練されたＧｅｎＡＩベースの深層学習ネットワークを用いて、前記複数の目標オブジェクト、前記複数の合成された一連の画像フレーム、挿入される前記複数の目標オブジェクトの各々に関連する前記複数の挿入パラメータ、複数の背景、及び複数のスケーリングされた合成画像フレームに基づいて、複数の拡張画像フレームを生成することによって、合成データセットを作成するステップと、
を実行させる、１又は複数の命令を含む、１又は複数の非一時的のマシン可読の情報記憶媒体。
【請求項１０】
フローマップベースの特徴抽出器を用いて、前記複数の未加工入力画像フレームの各々に関連付けられた前記フロー埋め込みを抽出するステップは、
前記複数の未加工入力画像フレームから、第一の画像フレーム及び第二の画像フレームを受け取るステップであって、前記第一の画像フレーム及び前記第二の画像フレームは、連続する画像であるステップと、
前記パノプティックセグメンテーション技法を用いて、前記第一の画像フレーム及び前記第二の画像フレームに関連する複数のパノプティックセグメントを生成するステップと、
前記第一の画像フレーム及び前記第二の画像フレームに関連する前記複数のパノプティックセグメントの間の比較に基づいて、前記第一の画像フレーム及び前記第二の画像フレームから、複数の類似のインスタンスを識別するステップであって、類似のインスタンスが存在しない場合に、前記第二の画像フレームとの比較のために、前記第二の画像フレームに連続する画像フレームが識別され、前記比較は、前記複数の未加工入力画像フレームのうちの最後の画像フレームが比較されるまで繰り返されるステップと、
前記第一の画像フレーム及び前記第二の画像フレームの間の前記複数の類似のインスタンスを融合することによって、前記第一の画像フレーム及び前記第二の画像フレームの間の前記フロー埋め込みを計算するステップと、
を含む、請求項９に記載の１又は複数の非一時的のマシン可読の情報記憶媒体。
（【請求項１１】以降は省略されています）
発明の詳細な説明【技術分野】
【０００１】
本明細書における本開示は一般に、データ生成、より具体的には、生成的人工知能ベースの合成データ生成のための方法及びシステムの領域に関する。
続きを表示（約 5,300 文字）【０００２】
（関連出願及び優先権の相互参照）
本出願は、２０２３年９月２１日に出願されたインド出願第２０２３２１０６３５４３号の優先権を主張する。
【背景技術】
【０００３】
視覚ベースのシステム、及び先進運転支援システム（ＡＤＡＳ）のような自動運転車両におけるその応用は、日々進化している。運転支援システムは主に、自動運転モデルを学習し、この深層学習モデルで注目される主な要因は、訓練のための実世界／現実的なデータセットの必要性である。これらのデータセットの質、量、多様性は、深層学習モデルの訓練、テスト、及び評価を行う際の重要な要素である。さらに、複数の地理、異なる天候条件、異なる周辺、及び道路状況を含むデータセットを持つことは難しいため、異なる条件に対応する任意のモデルを訓練することは、大きな課題である。
【０００４】
ある調査報告書によると、安全及びセキュリティの面での信頼性のために、自動運転車両は、数十億マイルを運転する必要があり、全ての必要なデータセットを収集するのに１０年近くを必要とする。データセットを収集するためのこの手動運転アプローチは、マンパワー及び適切なセンサー構成も必要とし、結局は高価なアプローチとなる。従来のシミュレーターは、現実とのギャップを減らし、膨大な訓練可能なデータセットを生成できるものもあるが、レンダリングされたシナリオは、実世界のシナリオと比較して非現実的に見える。深層ニューラルネットワークは、検討中のＡＤＡＳアプリケーションに特化した現実的なデータを生成するのに役立つことができる。しかしながら、上記の全てのアプローチは、訓練に対して意味のあるデータセットを必要とするが、これは未だ解決されていない。
【発明の概要】
【０００５】
本開示の実施形態は、従来のシステムにおいて発明者によって認識される１又は複数の上記の技術的課題への解決策としての技術的改善を示す。例えば、１つの実施形態において、視覚ベースのシステムのための生成的人工知能ベースの合成データ生成の方法が提供される。方法は、１又は複数のハードウェアプロセッサによって、ビデオに関連付けられた複数の未加工入力画像フレームと、複数の未加工入力画像フレームに挿入される複数の目標オブジェクトとを受け取ることを含み、複数の未加工入力画像フレームは連続であり、複数の目標オブジェクトは、複数の静的オブジェクト、及び複数の動的オブジェクトを含む。さらに方法は、１又は複数のハードウェアプロセッサによって、フローマップベースの特徴抽出技法を使用して、複数の未加工入力画像フレームの各々に関連付けられたフロー埋め込みを計算することを含む。さらに、方法は、１又は複数のハードウェアプロセッサによって、パノプティックセグメンテーション技法を使用して、複数の未加工入力画像フレームの各々に関連付けられた光パノプティックラベル埋め込み、及びパノプティック画像埋め込みを計算することを含む。さらに、方法は、１又は複数のハードウェアプロセッサによって、訓練されたマルチパノプティック地理支援正規化(ｍｕｌｔｉ－ＰＧＡＮ)ベースの画像生成器を使用して、複数の未加工入力画像フレームの各々に関連付けられたフロー埋め込み、パノプティックラベル埋め込み、及びパノプティック画像埋め込みに基づいて、複数の合成された一連の画像フレームを生成することを含む。さらに、方法は、１又は複数のハードウェアプロセッサによって、挿入される複数の目標オブジェクトの各々に関連する複数の挿入パラメータを獲得することを含み、複数の挿入パラメータは、初期位置、複数の目標オブジェクトに関連する速度情報、追加されるランダム動作、及びオブジェクトを追加するフレーム数を含む。最後に、方法は、１又は複数のハードウェアプロセッサによって、訓練されたＧｅｎＡＩベースの深層学習ネットワークを用いて、複数の目標オブジェクトと、複数の合成された一連の画像フレームと、挿入される複数の目標オブジェクトに関連する複数の挿入パラメータと、複数の背景と、複数のスケーリングされた合成画像フレームとに基づいて複数の拡張画像フレームを生成することにより、合成データセット作成することを含む。
【０００６】
別の様態において、視覚ベースのシステムのための生成的人工知能ベースの合成データ生成のためのシステムが提供される。システムは、プログラム可能命令を格納する少なくとも１つのメモリ、１又は複数の入力／出力（Ｉ／Ｏ）インターフェイス、及び少なくとも１つのメモリに動作可能に結合された１又は複数のハードウェアプロセッサを含み、１又は複数のハードウェアプロセッサは、ビデオに関連付けられた複数の未加工入力画像フレーム、及び複数の未加工入力画像フレームに挿入される複数の目標オブジェクトを受け取るようにプログラムされた命令により構成され、複数の未加工入力画像フレームは連続であり、複数の目標オブジェクトは、複数の静的オブジェクト及び複数の動的オブジェクトを含む。さらに、１又は複数のハードウェアプロセッサは、フローマップベースの特徴抽出技法を使用して、複数の未加工入力画像フレームの各々に関連付けられたフロー埋め込みを計算するようにプログラムされた命令により構成される。さらに、１又は複数のハードウェアプロセッサは、パノプティックセグメンテーション技法を用いて、複数の未加工入力画像フレームの各々に関連付けられたパノプティックラベル埋め込み、及びパノプティック画像埋め込みを計算するようにプログラムされた命令により構成される。さらに、１又は複数のハードウェアプロセッサは、訓練されたマルチパノプティック地理支援正規化（ｍｕｌｔｉ－ＰＧＡＮ）ベースの画像生成器を用いて、複数の未加工入力画像フレームの各々に関連付けられたフロー埋め込み、パノプティックラベル埋め込み、及びパノプティック画像埋め込みに基づいて、複数の合成された一連の画像フレームを生成するようにプログラムされた命令により構成される。さらに、１又は複数のハードウェアプロセッサは、挿入される複数の目標オブジェクトの各々に関連する複数の挿入パラメータを獲得するようにプログラムされた命令により構成され、複数の挿入パラメータは、初期位置、複数の目標オブジェクトの各々に関連する速度情報、追加されるランダム行動、及びオブジェクトを追加するフレーム数を含む。最後に、１又は複数のハードウェアプロセッサは、訓練されたＧｅｎＡＩベースの深層学習ネットワークを用いて、複数の目標オブジェクト、複数の合成された一連の画像フレーム、挿入された複数の目標オブジェクトに関連する複数の挿入パラメータ、複数の背景、及び複数のスケーリングされた合成画像フレームに基づいて、複数の拡張画像フレームを生成することにより合成されたデータセットを作成するようにプログラムされた命令により構成される。
【０００７】
さらに別の様態において、視覚ベースのシステムのための生成的人工知能ベースの合成データ生成のための自身に埋め込まれたコンピュータプログラムを有する非一時的コンピュータ可読媒体を含むコンピュータプログラム製品が提供される。コンピュータ可読プログラムは、コンピューティングデバイス上で実行されるとき、コンピューティングデバイスに、ビデオに関連付けられた複数の未加工入力画像フレーム、及び複数の未加工入力画像フレームに挿入される複数の目標オブジェクトを受け取らせ、複数の未加工入力画像フレームは連続であり、複数の目標オブジェクトは、複数の静的オブジェクト、及び複数の動的オブジェクトを含む。さらに、コンピュータ可読プログラムは、コンピューティングデバイス上で実行されるとき、コンピューティングデバイスに、フローマップベースの特徴抽出技法を用いて、複数の未加工入力画像フレームの各々に関連付けられたフロー埋め込みを計算させる。さらに、コンピュータ可読プログラムは、コンピュータデバイス上で実行されるとき、コンピューティングデバイスに、パノプティックセグメンテーション技法を用いて、複数の未加工入力画像フレームの各々に関連付けられたパノプティックラベル埋め込み、及びパノプティック画像埋め込みを計算させる。そのうえ、コンピュータ可読プログラムは、コンピューティングデバイス上で実行されるとき、コンピューティングデバイスに、訓練されたマルチパノプティック地理支援正規化（ｍｕｌｔｉ－ＰＧＡＮ）ベースの画像生成器を用いて、複数の未加工入力画像フレームの各々に関連付けられたフロー埋め込み、パノプティックラベル埋め込み、及びパノプティック画像埋め込みに基づいて、複数の合成された一連の画像フレームを生成させる。さらに、コンピュータ可読プログラムは、コンピューティングデバイス上で実行されるとき、コンピューティングデバイスに、挿入される複数の目標オブジェクトの各々に関連する複数の挿入パラメータを獲得させ、複数の挿入パラメータは初期位置、複数の目標オブジェクトの各々に関連する速度情報、追加されるランダム行動、及びオブジェクトが追加されるフレーム数を含む。最後に、コンピュータ可読プログラムは、訓練されたＧｅｎＡＩベースの深層学習ネットワークを用いて、コンピューティングデバイス上で実行されるとき、コンピューティングデバイスに、複数の目標オブジェクト、複数の合成された一連の画像フレーム、挿入される複数の目標オブジェクトに関連する複数の挿入パラメータ、複数の背景、及び複数のスケーリングされた合成画像フレームに基づいて、複数の拡張画像フレームを生成させることにより、合成データセットを作成させる。
【０００８】
上記の一般的な説明、及び次の詳細な説明の両方は、単なる例示的及び説明的であり、請求する発明の内容を制限しないことを理解されたい。
本開示の一部に組み込まれ、構成される添付の図面は、例示的な実施形態を図示し、説明とともに、開示される原理の説明を与える。
【図面の簡単な説明】
【０００９】
本開示のいくつかの実施形態による、視覚ベースのシステムのための生成的人工知能（ＧｅｎＡＩ）ベースの合成データ生成のためのシステムの機能ブロック図である。
本開示のいくつかの実施形態による、視覚ベースのシステムのためのＧｅｎＡＩベースの合成データ生成のための図１のシステムの機能体系である。
本開示のいくつかの実施形態による、図１のシステムにより実装される視覚ベースのシステムのためのＧｅｎＡＩベースの合成データ生成のためのプロセッサ実装方法を図示する例示的なフロー図である。
本開示のいくつかの実施形態による、図１のシステムにより実装されるフロー埋め込みを計算するためのプロセッサ実装方法を図示する、例示的なフロー図である。
本開示のいくつかの実施形態による、図１のシステムにより実装される視覚ベースのシステムのためのＧｅｎＡＩベースの合成データ生成のためのフロー埋め込みを抽出する例示的な深層学習ネットワークである。
本開示のいくつかの実施形態による、図１のシステムにより実装される視覚ベースのシステムのためのＧｅｎＡＩベースの合成データ生成のための例示的なマルチパノプティック地理支援正規化（ｍｕｌｔｉ－ＰＧＡＮ）隊形である。
本開示のいくつかの実施形態による、図１のシステムにより実装された視覚ベースのシステムのための、ＧｅｎＡＩベースの合成データ生成のためのｍｕｌｔｉ－ＰＧＡＮ構造に関連付けられたｍｕｌｔｉ－ＰＧＡＮ残余ブロックの構造である。
本開示のいくつかの実施形態による、図１のシステムによって実装される視覚ベースのシステムのためのＧｅｎＡＩベースの合成データ生成のためのＰＧＡＮの構造図である。
本開示のいくつかの実施形態による、図１のシステムにより実装される視覚ベースのシステムのためのＧｅｎＡＩベースの合成データ生成のためのｍｕｌｔｉ－ＰＧＡＮベースの画像生成器の識別器の構造である。
【発明を実施するための形態】
【００１０】
例示的な実施形態は、添付の図面を参照して記述される。図において、参照番号の左端の桁は、参照番号が最初に登場する図を識別する。便利な場合は、同じ参照番号は、図面を通して同じ又は類似の部分を参照するように使用される。開示された原理の例及び特徴が本明細書に記述されるが、開示される実施形態の範囲から逸脱することなく、修正、適用、及び他の実装が可能である。
（【００１１】以降は省略されています）

関連特許